[論文レビュー] A second-order consistent, low-storage method for time-resolved channel flow simulations up to $Re_ au=5300$

Alberto Vela-Martín, Miguel P. Encinar+2 more|arXiv (Cornell University)|Aug 20, 2018

Fluid Dynamics and Turbulent Flows参考文献 20被引用数 3

ひとこと要約

本論文は、$Re_\tau = 5300$ まで時間分解能のある直接数値シミュレーションを実行可能な低メモリ消費、2次精度の数値手法を提示する。大規模および中規模のスケールのみを保持しつつ、瞬時のフィルタード場と2次統計量の完全再構成性を維持することで、最小限のメモリ使用量で長時間にわたる大規模領域シミュレーションが可能となり、高性能なCUDA-MPIハイブリッドコードによって実装されている。

ABSTRACT

Wall-bounded flows play an important role in numerous common applications, and have been intensively studied for over a century. However, the dynamics and structure of the logarithmic and outer regions remain controversial to this date, and understanding their mechanics is essential for the development of effective control strategies and for the construction of a complete theory of wall-bounded flows. Recently, the use of time-resolved direct numerical simulations of turbulent flows at high Reynolds numbers has proved useful to study the physics of wall-bounded turbulence, but a proper analysis of the logarithmic and outer layers requires simulations at high Reynolds numbers in large domains, making the storage of complete time series impractical. In this paper a novel low-storage method for time-resolved simulations is presented. This approach reduces the cost of storing time-resolved data by retaining only the required large and intermediate scales, taking care to keep all the variables needed to fully reconstruct the flow at the level of instantaneous filtered fields and second-order statistics. This new methodology is efficiently implemented as a new high-resolution hybrid CUDA-MPI code, which exploits the advantages of GPU co-processors on distributed memory systems, and allows running for physically meaningful times. The resulting temporally-resolved database of channel flow at up to $Re_ au=5300$, in large boxes for long times, is briefly introduced. The code is available at { t this https URL\_GPU}.

研究の動機と目的

• 高レイノルズ数の壁に近い流れの時間分解能のある直接数値シミュレーションを、実用的なデータ保存要件で可能にする。
• 1世紀以上にわたる研究にもかかわらず、いまだ議論の余地がある壁に近い流れの乱流における対数層および外層のダイナミクスを解明する。
• 瞬時のフィルタード場と2次統計量を再構成可能な十分なデータを保持する、ストレージ効率の良いシミュレーションフレームワークを開発する。
• 外層の統計的および動的性質を研究するために必要な、大規模計算領域における長時間シミュレーションを促進する。
• 研究コミュニティが高レイノルズ数乱流を研究できるように、公開可能な高性能シミュレーションコードを提供する。

提案手法

• 細かいスケールのデータを破棄することで、ストレージ要件を低減する、大規模および中規模の流れスケールのみを保持する低メモリアルゴリズムを開発した。
• 時間および空間において2次精度を保証することで、統計的および瞬時の場の再構成の精度を維持した。
• 保存されたデータから、瞬時のフィルタード速度場および2次統計量を完全に再構成するために必要なすべての変数を保持する。
• GPUアクセラレーションを用いた分散メモリシステム上で実行される、ハイブリッドCUDA-MPI実装を採用し、高いパフォーマンスとスケーラビリティを達成した。
• 長時間統合が可能なシミュレーションフレームワークを提供し、乱流チャネル流れの物理的に意味のある統計的解析を可能にした。
• データ出力を統計量およびコherent構造の後処理に最適化することで、効率的かつスケーラブルなコード設計を実現した。

実験結果

リサーチクエスチョン

• RQ1 時間分解能のある直接数値シミュレーションを、高レイノルズ数の壁に近い流れで、最小限のデータ保存オーバーヘッドで実行するにはどうすればよいか？
• RQ2 $Re_\tau = 5300$ における乱流チャネル流れのダイナミクスにおいて、対数層および外層が果たす役割は何か？
• RQ3 低メモリ手法が、瞬時のフィルタード場および2次統計量の再構成に必要な情報を保持できるか？
• RQ4 高レイノルズ数のチャネル流れにおける外層の統計的および構造的特性は何か？
• RQ5 GPUアクセラレーションを用いたハイブリッドCUDA-MPIコードのパフォーマンスおよびスケーラビリティは、乱流の長時間シミュレーションをどのように可能にするか？

主な発見

• 提案された低メモリ手法により、$Re_\tau = 5300$ までにまで到達する乱流チャネル流れの時間分解能シミュレーションが、顕著に低減されたデータ保存要件で実現可能となった。
• 保存されたデータから、瞬時のフィルタード速度場および2次統計量の両方を完全に再構成するのに必要なすべての変数が保持されている。
• ハイブリッドCUDA-MPI実装により、高いパフォーマンスとスケーラビリティが達成され、大規模領域における長時間シミュレーションが可能となった。
• $Re_\tau = 5300$ におけるチャネル流れの時間的に分解能のあるデータベースが生成され、対数層および外層ダイナミクスの詳細な解析が可能となった。
• シミュレーションフレームワークは {t this https URL_GPU} で公開されており、再現可能性および高レイノルズ数乱流分野におけるさらなる研究を支援する。